概率图模型及计算机视觉应用

概率图模型及计算机视觉应用
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: [美] (Qiang Ji)
2021-09
版次: 1
ISBN: 9787111690320
定价: 99.00
装帧: 其他
开本: 16开
纸张: 胶版纸
字数: 253千字
6人买过
  • 本书是美国伦斯勒理工学院(Rensselaer Polytechnic Institute, RPI)纪强(Qiang Ji)教授专门为概率图模型编写的一本专著。本书介绍了计算机视觉中的概率图模型(PGM),讨论了PGM及其在解决计算机视觉中存在的问题,提供了基本概念、定义和属性。专注于PGM的理论,以伪代码和推导的方式对PGM进行了详细的解释。 译者序

    第1章  知识背景和学习动机1

    1.1  引言1

    1.2  本书目标和特点4

    1.3  PGM介绍4

    1.3.1  PGM的主要问题5

    1.4  本书大纲6

    参考文献7

    第2章  基础概念9

    2.1  引言9

    2.2  随机变量与概率9

    2.2.1  随机变量与概率定义9

    2.2.2  基本的概率法则10

    2.2.3  独立性和条件独立性11

    2.2.4  均值、协方差、相关性和独立性11

    2.2.5  概率不等式13

    2.2.6  概率分布14

    2.3  基本的估计方法17

    2.3.1  极大似然法17

    2.3.2  贝叶斯估计法19

    2.4  优化方法19

    2.4.1  连续优化19

    2.4.2  离散优化21

    2.5  采样和样本估计21

    2.5.1  采样技术21

    2.5.2  样本估计22

    参考文献23

    第3章  有向概率图模型25

    3.1  引言25

    3.2  贝叶斯网络25

    3.2.1  BN表示25

    3.2.2  BN的特性27

    3.2.3  贝叶斯网络的类型29

    3.3  BN推理34

    3.3.1  精确推理方法35

    3.3.2  近似推理方法47

    3.3.3  高斯BN的推理55

    3.3.4  贝叶斯推理56

    3.3.5  不确定证据下的推理57

    3.4  完全数据下的BN学习57

    3.4.1  参数学习58

    3.4.2  结构学习63

    3.5  缺失数据下的BN学习69

    3.5.1  参数学习69

    3.5.2  结构学习75

    3.6  人工贝叶斯网络规范76

    3.7  动态贝叶斯网络77

    3.7.1  简介77

    3.7.2  学习和推理79

    3.7.3  特殊的DBN81

    3.8  分层贝叶斯网络91

    3.8.1  分层贝叶斯模型91

    3.8.2  分层深层模型95

    3.8.3  混合分层模型98

    3.9  附录99

    3.9.1  式(3.63)证明99

    3.9.2  高斯贝叶斯网络证明100

    3.9.3  拉普拉斯近似102

    参考文献102

    第4章  无向概率图模型107

    4.1  引言107

    4.1.1  定义和性质107

    4.2  成对马尔可夫网络110

    4.2.1  离散成对马尔可夫网络110

    4.2.2  标记观测马尔可夫网络111

    4.2.3  高斯马尔可夫网络112

    4.2.4  受限玻尔兹曼机113

    4.3  条件随机场114

    4.4  高阶长程马尔可夫网络116

    4.5  马尔可夫网络推理117

    4.5.1  精确推理方法117

    4.5.2  近似推理方法120

    4.5.3  其他MN推理方法122

    4.6  马尔可夫网络学习123

    4.6.1  参数学习123

    4.6.2  结构学习129

    4.7  马尔可夫网络与贝叶斯网络131

    参考文献132

    第5章  计算机视觉应用135

    5.1  引言135

    5.2  用于低级计算机视觉任务的PGM135

    5.2.1  图像分割135

    5.2.2  图像去噪136

    5.2.3  用MRF标记图像136

    5.2.4  用CRF进行图像分割141

    5.2.5  用贝叶斯网络进行图像分割145

    5.3  用于中级计算机视觉任务的PGM149

    5.3.1  目标检测与识别149

    5.3.2  场景识别165

    5.3.3  目标追踪167

    5.3.4  三维重建和立体视觉177

    5.4  用于高级计算机视觉任务的PGM184

    5.4.1  面部表情识别184

    5.4.2  人类活动识别187

    5.4.3  为人类活动识别刻画上下文208

    参考文献212

    索引220
  • 内容简介:
    本书是美国伦斯勒理工学院(Rensselaer Polytechnic Institute, RPI)纪强(Qiang Ji)教授专门为概率图模型编写的一本专著。本书介绍了计算机视觉中的概率图模型(PGM),讨论了PGM及其在解决计算机视觉中存在的问题,提供了基本概念、定义和属性。专注于PGM的理论,以伪代码和推导的方式对PGM进行了详细的解释。
  • 目录:
    译者序

    第1章  知识背景和学习动机1

    1.1  引言1

    1.2  本书目标和特点4

    1.3  PGM介绍4

    1.3.1  PGM的主要问题5

    1.4  本书大纲6

    参考文献7

    第2章  基础概念9

    2.1  引言9

    2.2  随机变量与概率9

    2.2.1  随机变量与概率定义9

    2.2.2  基本的概率法则10

    2.2.3  独立性和条件独立性11

    2.2.4  均值、协方差、相关性和独立性11

    2.2.5  概率不等式13

    2.2.6  概率分布14

    2.3  基本的估计方法17

    2.3.1  极大似然法17

    2.3.2  贝叶斯估计法19

    2.4  优化方法19

    2.4.1  连续优化19

    2.4.2  离散优化21

    2.5  采样和样本估计21

    2.5.1  采样技术21

    2.5.2  样本估计22

    参考文献23

    第3章  有向概率图模型25

    3.1  引言25

    3.2  贝叶斯网络25

    3.2.1  BN表示25

    3.2.2  BN的特性27

    3.2.3  贝叶斯网络的类型29

    3.3  BN推理34

    3.3.1  精确推理方法35

    3.3.2  近似推理方法47

    3.3.3  高斯BN的推理55

    3.3.4  贝叶斯推理56

    3.3.5  不确定证据下的推理57

    3.4  完全数据下的BN学习57

    3.4.1  参数学习58

    3.4.2  结构学习63

    3.5  缺失数据下的BN学习69

    3.5.1  参数学习69

    3.5.2  结构学习75

    3.6  人工贝叶斯网络规范76

    3.7  动态贝叶斯网络77

    3.7.1  简介77

    3.7.2  学习和推理79

    3.7.3  特殊的DBN81

    3.8  分层贝叶斯网络91

    3.8.1  分层贝叶斯模型91

    3.8.2  分层深层模型95

    3.8.3  混合分层模型98

    3.9  附录99

    3.9.1  式(3.63)证明99

    3.9.2  高斯贝叶斯网络证明100

    3.9.3  拉普拉斯近似102

    参考文献102

    第4章  无向概率图模型107

    4.1  引言107

    4.1.1  定义和性质107

    4.2  成对马尔可夫网络110

    4.2.1  离散成对马尔可夫网络110

    4.2.2  标记观测马尔可夫网络111

    4.2.3  高斯马尔可夫网络112

    4.2.4  受限玻尔兹曼机113

    4.3  条件随机场114

    4.4  高阶长程马尔可夫网络116

    4.5  马尔可夫网络推理117

    4.5.1  精确推理方法117

    4.5.2  近似推理方法120

    4.5.3  其他MN推理方法122

    4.6  马尔可夫网络学习123

    4.6.1  参数学习123

    4.6.2  结构学习129

    4.7  马尔可夫网络与贝叶斯网络131

    参考文献132

    第5章  计算机视觉应用135

    5.1  引言135

    5.2  用于低级计算机视觉任务的PGM135

    5.2.1  图像分割135

    5.2.2  图像去噪136

    5.2.3  用MRF标记图像136

    5.2.4  用CRF进行图像分割141

    5.2.5  用贝叶斯网络进行图像分割145

    5.3  用于中级计算机视觉任务的PGM149

    5.3.1  目标检测与识别149

    5.3.2  场景识别165

    5.3.3  目标追踪167

    5.3.4  三维重建和立体视觉177

    5.4  用于高级计算机视觉任务的PGM184

    5.4.1  面部表情识别184

    5.4.2  人类活动识别187

    5.4.3  为人类活动识别刻画上下文208

    参考文献212

    索引220
查看详情
相关图书 / 更多
概率图模型及计算机视觉应用
概率论(第二版) 何书元
何书元 编著
概率图模型及计算机视觉应用
概率论与数理统计
欧启通
概率图模型及计算机视觉应用
概率论与数理统计
郭冰阳 编
概率图模型及计算机视觉应用
概率论与数理统计习题册(第2版)
西南交通大学数学学院统计系
概率图模型及计算机视觉应用
概率论与数理统计习题全解与学习指导(第2版)
杨筱菡 王勇智
概率图模型及计算机视觉应用
概率论与数理统计练习与提高
王元媛
概率图模型及计算机视觉应用
概率统计同步练习与提高
石志岩 主编
概率图模型及计算机视觉应用
概率论与数理统计(第2版)
殷羽 编
概率图模型及计算机视觉应用
概率论与数理统计基础教程
主编 纪楠 副主编 袁书娟 关树明 参编 韩冰 李言 王立亚
概率图模型及计算机视觉应用
概率论与数理统计
哈金才 马少娟 李海燕 主编
概率图模型及计算机视觉应用
概率论与数理统计
林娟
概率图模型及计算机视觉应用
概率论与数理统计
作者
您可能感兴趣 / 更多
概率图模型及计算机视觉应用
从一到无穷大(爱因斯坦亲笔推荐的科普入门书,清华大学校长送给新生的礼物;世界著名物理学家、宇宙大爆炸学说的先驱)
[美]乔治·伽莫夫 著;栗子文化 出品;有容书邦 发行
概率图模型及计算机视觉应用
明信片(《断背山》作者又一力作,荣获福克纳文学奖,49张明信片背后是100种离奇人生)
[美]安妮·普鲁 著;黄宜思 译
概率图模型及计算机视觉应用
超大规模集成电路物理设计:从图分割到时序收敛(原书第2版) [美国]安德·B.卡恩
[美]安德·B.卡恩
概率图模型及计算机视觉应用
海外中国研究·文化、权力与国家:1900—1942年的华北农村(海外中国研究丛书精选版第四辑)
[美]杜赞奇 著;王福明 译
概率图模型及计算机视觉应用
(守望者·传记)身体的疯狂朝圣:田纳西·威廉斯传
[美]约翰·拉尔 著;张敏 凌建娥 译
概率图模型及计算机视觉应用
哥白尼
[美]欧文·金格里奇(Owen Gingerich)
概率图模型及计算机视觉应用
玻璃底片上的宇宙
[美]达娃·索贝尔 后浪
概率图模型及计算机视觉应用
数学侦探 珠宝行里的X劫匪
[美]丹尼尔·肯尼 艾米丽·博艾尔 著 刘玙婧、王婧 译;小博集出品
概率图模型及计算机视觉应用
闲散一些也无可厚非
[美]艾莉森·孙 著;李昂 译
概率图模型及计算机视觉应用
纳博科夫短篇小说全集(纳博科夫精选集V)
[美]弗拉基米尔·纳博科夫著
概率图模型及计算机视觉应用
糖与雪:冰淇淋与我们相遇的五百年
[美]耶丽·昆齐奥(Jeri Quinzio) 著, 邹赜韬、王燕萍 译
概率图模型及计算机视觉应用
猎物《纽约时报》畅销书作者史黛西·威林厄姆 Goodreads年度悬疑惊悚小说 LibraryReads月度值得关注图书
[美]史黛西·威林厄姆著